基于时间序列因果发现的网络物理系统可解释在线无监督异常检测

在线无监督异常检测对于保证网络物理系统的正确运行以及与其交互的人类安全至关重要。基于神经网络深度学习的最先进方法在异常识别方面取得了出色的性能，其通过评估系统正常模型（无异常）与传感器时间序列实时流之间的差异来实现。然而，这通常需要大量的训练数据和时间，且可解释性仍然是识别异常根源和实施预测性维护的一大挑战。在本文中，我们使用因果发现来学习系统的正常因果图，并在实时获取传感器数据期间评估因果链接的持久性，以迅速检测异常。在两个基准异常检测数据集上，我们表明我们的方法具有更高的训练效率，准确率优于最先进的神经架构，并正确识别了超过10种不同异常的来源。代码位于 https://github.com/Isla-lab/causal_anomaly_detection。